在我通过应用MCA(多重对应分析)来减少维度之后，我得到了类似这样的东西 dim1 dim20.654 0.93810 9 8 8 MCA在训练集上运行后的输出是特征值、惯性等 我的python代码： from sklearn.cluster
浏览 29提问于2019-02-17得票数 0
回答已采纳
1回答
PCA是一种降维算法，它有助于减少数据的维数。我还没有理解的是，PCA以递减的顺序给出了特征向量的输出，如PC1、PC2、PC3等。因此，这将成为我们的数据的新轴。我们可以在哪里应用这个新的轴来预测测试集数据？
是否有其他
浏览 1提问于2017-11-01得票数 0
1回答
Matlab模型设计后的重用降维
、、、、
我使用支持向量机和MLP对金融数据进行二进制分类。我的输入数据有21个特征，所以我使用了降维方法来减少数据的维数。一些降维方法，如逐步回归报告最佳特征，所以我将使用这些特征作为我的分类模式和另一种方法，如PCA转换数据到一个新的空间，例如，我使用60%的最佳报告列(特征)。关
浏览 3提问于2014-03-27得票数 0
回答已采纳
1回答
利用MLP进行特征提取和降维
、、、、
我试图建立一个使用MLP进行特征提取和降维的模型。该模型可将204个维度的数据转换为80个维度。拟议的模式如下：
A 512维稠密层，输入原始数据(204维)A 256维密度层，输入512个维 80维密度层，输入256个维。提出的训练周期为1，将MLP的输出作为进一步模型(如LR、SVM等)的输入</e
浏览 8提问于2021-12-11得票数 1
1回答
我正在进行分类，我有一个关于仅用于降维的LDA的问题：
LDA是否适用于包括训练数据和测试数据在内的整体特征矩阵，然后(在减少数据维数后)对特征矩阵进行划分，为分类提供训练和测试集？是真的吗？然后，假设我们需要在应用LDA之前对数据进行分区。如何能够使用Matlab的内部分类器(如kNN和SVM)对测试数据<e
浏览 1提问于2017-09-30得票数 2
1回答
我有一个具有大约100万行和大约500 K稀疏特性的数据集。我想把维数降到1K-5K稠密特征的某个地方。sklearn.decomposition.PCA不工作在稀疏数据上，我尝试过使用sklearn.decomposition.TruncatedSVD，但是很快就得到了一个内存错误。在这个尺度上，我的有效降维选择是什么？
浏览 0提问于2018-08-29得票数 14
回答已采纳
当我看到高维部分时，我正在读“统计学习导论”，他们认为高维数据会引起很多问题。我的问题是，要应用任何特征选择模型，必须有更多的特征而不是观察。
如果是的话，你能给我提供任何关于它的文章吗？
浏览 0提问于2020-11-25得票数 0
回答已采纳
2回答
由于各种维度诅咒的存在，许多常用的预测技术对高维数据的精度和速度都会降低。帮助有效处理高维数据的一些最有用的技术/技巧/启发式方法是什么？例如,高维数据降<em
浏览 0提问于2015-01-25得票数 17
1回答
我的目标是在d维欧几里得空间中聚集大量的点，其中d非常大。
问题:首先使用RP降低了输入空间的维数后，通过LSH对点进行聚类是否有意义？为什么是/不是？在LSH作为聚类方法之前，RP作为降维方法的联合使用是否存在冗余？
浏览 0提问于2022-09-26得票数 1
回答已采纳
根据wiki的说法，重新开始使用T-SNE映射到二维.如果我们想要减少功能的数量(即从30个特性减少到5个dims)，那么是否建议使用T-SNE来实现呢？还是我们应该使用其他的降维算法？
浏览 0提问于2021-06-22得票数 7
回答已采纳
3回答
从数据库中提取的数据集由50多个列组成，我将这些列称为_dimension_s，可以称之为_dimension_s吗？我之所以不使用PC
浏览 0提问于2017-03-21得票数 1
1回答
我正在努力解决我面临的问题:我有一个不同产品(汽车)的数据集，这些产品(汽车)在给定的时间内有特定的工作订单。我从历史数据中知道，这项工作总共造成了多少时间。现在我想预测另一辆车(例如第3辆)。我的想法是将基于行的数据集转换为基于二进制值的列，例如Brake: 0/1，屏幕0/1。但是我会有很多输入，因为可能的输入数是100-200..
浏览 0提问于2023-01-27得票数 -1
这就是我将数据放在一起，通过方差阈值进行特征选择，然后通过归一化和LDA进行降维的方法。
LDA元素我不太确定，因为我找不到任何在管道中使用的示例(作为降维/数据转换技术，而不是独立的分类器)。我有点担心，因为当使用这种方法并将转换后的数据传递给一系列分类器时，它们会产生一系列相同的准确率、精确度、召回率和F1分数。只有AdaBoost的应用</
浏览 4提问于2021-12-03得票数 0
我正在学习机器学习，最近我研究了使用线性判别分析对线性可分数据进行分类。为此，我使用了scikit-learn包和函数关于MNIST手写数字数据库中的数据。我已经使用数据库来拟合模型并对测试数据进行预测，方法如下：LDA_fit(data,labels)
LDA_predict(testdat
浏览 3提问于2018-12-21得票数 1
1回答
我有一个包含100 k高维数据的数据集(例如LA中的房屋) (dim=100，例如房屋参数，如面积、到市中心的距离等)。下面是由目标值(如房价)着色的数据的两分量PCA表示。是否有一种将目标值考虑在内的降维方法，其结果是一方面聚集廉价住房，然后在地图上看到房价的梯度？
多方面的学习对这项任务有帮助吗？我尝试了基于岭回归的后向特征提取，根据它们对目标值回归结果的影响来降低维<
浏览 0提问于2019-07-06得票数 1
回答已采纳
1回答
无监督降维算法以矩阵NxC1为输入，其中N是输入向量的个数，C1是每个向量的分量数(向量的维数)。因此，它返回一个新的矩阵NxC2 (C2 < C1)，其中每个向量的分量较少。模糊聚类算法以矩阵N*C1为输入矩阵，其中N是输入向量的个数，C1是每个向量的分量数。因此，它返回一个新的矩阵NxC2 (C2通常低于C1)，其中每个向量的每个分量都指示向量属于相应的簇的程度。我注意到，这两类算法的输入和输出在结构上是相
浏览 2提问于2015-10-13得票数 3
回答已采纳
假设我们有一个包含4个特性的数据集。我们能从这些特征中学到什么？我们可以说它们不是线性相关的吗？我们能说点别的吗？
📷
浏览 0提问于2021-06-13得票数 1
回答已采纳
1回答
垃圾邮件过滤中的降维方法
、、、、
我正在进行一个实验，需要比较几种垃圾邮件过滤分类算法的分类性能，即。朴素贝叶斯，支持向量机，J48，k，RandomForests等.我正在使用WEKA数据挖掘工具.在查阅文献时，我了解到了各种降维方法，这些方法大致可分为两类-
特征约简:主成分分析、潜在语义分析等他在博客中写道：“垃圾邮件过滤是一个典型的文本分类问题，其中降维可能是一个很大的错误。”所以，现在我很困惑，在垃圾邮件过滤的情况下，降</em
浏览 3提问于2014-04-09得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
